O que é Phonon-2?
O Phonon-2 é um modelo de reconhecimento de fala em inglês da Fermion Research, lançado no Hugging Face em 28 de setembro de 2026. É uma versão comprimida do Parakeet TDT 0.6B v3 da NVIDIA: o treinamento com consciência de quantização armazena cada peso do encoder em um de cinco níveis aprendidos, cerca de 2,1 bits, o que reduz o download de 2.508MB para 164MB.
Ele roda via MLX no Apple Silicon, no Neural Engine por um build Core ML, em CPUs Linux e Windows, em GPUs NVIDIA via Docker e em Android arm64 por bibliotecas nativas. É o modelo dentro do Detta, o app gratuito de ditado no dispositivo da Fermion para Macs com Apple Silicon.
Os pesos mantêm a licença CC-BY-4.0 do Parakeet, então o uso comercial é permitido com atribuição; a linha de comando e o código da Fermion são Apache 2.0.
Quanto custa Phonon-2?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | CC-BY-4.0, atribuição obrigatória |
| Detta (Mac) | Free | Apple Silicon, macOS 26.2 ou posterior |
Pesos gratuitos sob CC-BY-4.0; CLI e código sob Apache 2.0; app Detta gratuito em Macs com Apple Silicon.
Phonon-2 vale a pena?
A conquista do Phonon-2 é a compressão, não um modelo novo, e os números se sustentam bem. Nos sete conjuntos em inglês do Open ASR Leaderboard, ele tem média de 5,21% de erro de palavras contra 4,96% do Parakeet completo do qual veio, um quarto de ponto perdido por um arquivo 15 vezes menor. Ele supera o Parakeet Redux da Moondream, de tamanho parecido (178MB, 5,69%), e o Whisper large-v3-turbo (1.618MB, 6,58%), e em fala parlamentar (VoxPopuli, 2,46 contra 3,19) supera o original.
Esses números são da Fermion, mas foram produzidos com o próprio código do leaderboard nos conjuntos de teste completos, e as linhas de comparação marcadas como números do leaderboard podem ser verificadas. As perdas se concentram onde se esperaria de uma quantização pesada: teleconferências de resultados (6,96 contra 5,85) e LibriSpeech other (3,92 contra 3,13), os conjuntos mais difíceis e ruidosos.
A velocidade é o segundo motivo de interesse. A Fermion relata uma hora de áudio em cerca de 20 segundos em um MacBook Air M5 (174 vezes o tempo real), 143 vezes em oito núcleos Zen 5 e 6.680 vezes em uma H100 com lotes de 128. Uma vazão de CPU nesse nível significa que um notebook ou uma pequena instância na nuvem pode transcrever sem GPU.
Os limites são os do Parakeet mais um: só inglês, convenções de pontuação e maiúsculas herdadas da NVIDIA, sem rótulos de falante, e um tamanho de download que não é a memória em execução, já que os motores expandem os pesos ao carregar. A Fermion é uma empresa pequena que não divulga onde fica sediada. Para trabalho multilíngue ou com diarização, o Nemotron 3.5 Transcribe é o melhor modelo; para um modelo em inglês de 164MB que vai dentro de um app, a alegação da Fermion de ter o modelo aberto mais preciso abaixo de 900MB se confirma em todas as linhas de comparação que ela publica.
Onde ele se destaca
Um desenvolvedor iOS e macOS criando um app de anotações
Adicionar ditado offline em inglês sem conta de nuvem
Inclua o build Core ML para o Neural Engine; um modelo de 164MB cabe no download normal de um app, e a transcrição nunca sai do dispositivo, o que simplifica a política de privacidade.
Um engenheiro de backend em uma empresa de hospedagem de podcasts
Transcrever 5.000 horas de episódios em inglês por mês sem GPUs
A 143 vezes o tempo real em 16 vCPUs, uma instância processa cerca de 143 horas de áudio por hora, então a fila exige aproximadamente 35 horas de instância por mês com a imagem Docker de CPU.
Um desenvolvedor Android em uma empresa de software de serviço de campo
Permitir que técnicos ditem notas de serviço sem sinal
A Fermion publica bibliotecas de motor de CPU arm64-v8a para API 26 em diante, com um header C; os tempos por palavra vêm com --json no desktop, e a licença CC-BY só exige atribuição.
Antes de decidir
- Configuração
- pip install fermion-research mais os pacotes mlx no Apple Silicon (Python 3.10 ou mais novo), depois phonon transcribe recording.wav; ou um único docker run com a imagem de CPU ou CUDA.
- Integrações
- MLX, Core ML (Neural Engine), motor de CPU para Linux e Windows, imagem Docker CUDA, bibliotecas nativas Android, um servidor local documentado pela Fermion e o app Detta para Mac.
- Dados e privacidade
- Roda inteiramente no seu hardware; nada é enviado à Fermion. Pesos sob CC-BY-4.0 como o original da NVIDIA, com um NOTICE listando as alterações; código sob Apache 2.0.
- Custo em escala
- Nenhuma GPU necessária: cerca de 143 vezes o tempo real em oito núcleos Zen 5. Em uma H100 com lotes de 128, a Fermion relata 6.680 vezes o tempo real, cerca de 111 horas de áudio por minuto.
- Limites
- Só inglês; as convenções de saída são as do Parakeet; sem diarização; a memória em execução é maior que o download de 164MB porque os pesos são expandidos ao carregar.
O que é bom
- Média de 5,21% de WER em inglês com um download de 164MB, contra 4,96% do original de 2,5GB
- 174 vezes o tempo real em um MacBook Air M5; 143 vezes em oito núcleos de CPU
- Roda em MLX, Core ML, CPUs Linux e Windows, CUDA e Android
- A CC-BY-4.0 permite uso comercial com atribuição
O que não é
- Só inglês
- Perde cerca de um ponto de WER em teleconferências de resultados em relação ao original
- Sem rótulos de falante nem tradução
- Os números de acurácia e velocidade são da própria Fermion
Ideal para
Desenvolvedores de apps que precisam de transcrição de fala em inglês precisa em um notebook, celular ou servidor de CPU sem distribuir um modelo de vários gigabytes.
Alternativas ao Phonon-2
Phonon-2: perguntas frequentes
- Phonon-2 vale a pena?
- O Phonon-2 é o Parakeet com um quinze avos do tamanho e quase a mesma acurácia, o que torna viável uma boa transcrição em inglês dentro do download de um app. Damos nota 4.1 de 5.
- Quanto custa Phonon-2?
- Pesos gratuitos sob CC-BY-4.0; CLI e código sob Apache 2.0; app Detta gratuito em Macs com Apple Silicon.
- Quais são as desvantagens de Phonon-2?
- Só inglês; perde cerca de um ponto de WER em teleconferências de resultados em relação ao original; sem rótulos de falante nem tradução; os números de acurácia e velocidade são da própria Fermion.
- Para quem Phonon-2 é indicado?
- Desenvolvedores de apps que precisam de transcrição de fala em inglês precisa em um notebook, celular ou servidor de CPU sem distribuir um modelo de vários gigabytes.
- Quanto custa Phonon-2 para uma equipe ou em produção?
- Nenhuma GPU necessária: cerca de 143 vezes o tempo real em oito núcleos Zen 5. Em uma H100 com lotes de 128, a Fermion relata 6.680 vezes o tempo real, cerca de 111 horas de áudio por minuto.
- Phonon-2 é seguro para dados da empresa?
- Roda inteiramente no seu hardware; nada é enviado à Fermion. Pesos sob CC-BY-4.0 como o original da NVIDIA, com um NOTICE listando as alterações; código sob Apache 2.0.
- Quais são as melhores alternativas ao Phonon-2?
- As alternativas mais próximas que analisamos são Parakeet TDT 0.6B v3, Whisper large-v3-turbo e NVIDIA Nemotron 3.5 Transcribe.
Respostas verificadas em 31 de out. de 2026.